GlobeLand30濕地細化分類研究

陳 煒，陳利軍，陳 軍，陳 浩，周曉光，謝 波

(1. 中南大學地球科學與信息物理學院，湖南 長沙 410083； 2. 國家基礎地理信息中心，北京 100830； 3. 湖南科技大學地理空間信息技術國家地方聯合工程實驗室，湖南 湘潭 411201)

GlobeLand30濕地細化分類研究

陳 煒1，2，陳利軍2，陳 軍2，陳 浩3，周曉光1，謝 波3

(1. 中南大學地球科學與信息物理學院，湖南 長沙 410083； 2. 國家基礎地理信息中心，北京 100830； 3. 湖南科技大學地理空間信息技術國家地方聯合工程實驗室，湖南 湘潭 411201)

基于30 m地表覆蓋數據產品完成濕地精細化分類，能夠更好地滿足當前較高分辨率及較詳盡全球濕地數據的應用需求。本文在深入分析濕地分類體系與細化方法的基礎上，提出以濕地細化類別的定義、多元知識的分層分類、亞類數據精細化提取為主線的總體研究思路，制定了基于先驗知識的對象系統篩選、基于森林數據的同位像元提取、基于最佳閾值的極大似然掩膜的主體分類方法，并應用于數據生產實踐獲得8個亞類信息。該方法克服了常規手段普遍存在的周期長、效率低等弊端，實現了全球較高分辨率濕地亞類數據的快速精確制圖，總體分類精度達82.6%，對地理世情及其他地表覆蓋研究具有借鑒意義。

濕地細化；分層分類；全球地表覆蓋數據(GlobeLand30)；亞類信息

濕地是由潮濕或淺積水地帶發育而成的水生生物群和水成土壤的地理綜合體[1]。作為一種特殊的自然資源，它在物種保護、環境改善、氣候調節及生態平衡方面發揮著重要作用，其相應研究日益成為國際環保界的熱點[2-3]。利用野外調查等傳統方式監測濕地，操作范圍小、效率低，質量難以保證。遙感技術為濕地研究提供了強有力的技術支撐，在資源清查、分析提取方面優勢顯著[4-5]。隨著濕地遙感應用的深入，各種統計方法、機器學習、計算機視覺等技術與濕地分類領域深度融合[6]。顧及濕地內在特征及計算機分類特點，綜合運用自然、生態和人文等多元知識輔助遙感自動分類，從而確保濕地數據質量，是當前亟待解決的難題，同時大尺度的濕地細分通過將計算機自動分類與專家解譯相結合來平衡精度與效率[6-8]。

作為研究不可或缺的信息支撐，全球濕地數據主要存在于水系、湖泊及各地表覆蓋數據集。全球湖泊和濕地數據庫(global lakes and wetlands database，GLWD)是綜合性的濕地專題數據，依據已有濕地資料和地圖匯編而成，包含河流、湖泊、水庫矢量邊界信息及不同濕地類型數據，因數據源、分類系統及信息更新等問題其適用性較低[9]。2003年國際濕地局聯合歐空局啟動GlobWetland項目，旨在論證對地觀測技術在濕地管理與監測方面是否可行，尚未完成全球濕地遙感專題制圖[10]。20世紀90年代以來，研究者開始逐步采用全球地表覆蓋產品提供的濕地信息[11-13]。歐盟和美國利用AVHRR、MODIS、SPOT VGT等粗分辨率影像資料，相繼研制出空間分辨率為300 m或1 km的地表覆蓋數據(IGBP-DISCover、UMD、BU-MODIS、GLC2000、GlobCover2005、GlobCover2009)，學者從面積、類型、空間一致性等方面檢核認為濕地的總體分類精度偏低、空間細節不夠，難以滿足需求[10,14-15]。

GlobeLand30是我國成功研制的全球首套30 m分辨率地表覆蓋數據，涵蓋濕地等分布信息[16-19]。其濕地層是指陸地和海洋系統中各種沼生、濕生區域的總稱，包括沼澤、紅樹林、灘涂、鹽沼等，不包括水田、裸露礫石河灘地和珊瑚礁(瀉湖)。與以往數據相比，其具有更高的空間分辨率、更好的空間一致性和較高的精度；然而尚缺乏亞類信息，在一定程度上制約了其可用性。當前濕地應用研究迫切需要有關全球濕地分布、類型、面積等詳盡信息，客觀上為GlobeLand30濕地細化研究提供了機遇和動力。本文基于兩期GlobeLand30濕地數據，開展了濕地亞類制圖總體技術研究與產品研制工作，以期得到類型更加精細、結構更加完備的濕地亞類信息，力圖為全球濕地管理保護、生態恢復及價值評估、環境變化和可持續發展研究等提供有力的信息支撐。

1 總體思路

受“同物異譜、同譜異物”現象、分類算法、遙感數據源等因素的制約，利用遙感技術完成全球濕地亞類數據制圖難度很大。基于GlobeLand30濕地層進行細化分類，不僅能夠克服因遙感影像光譜、紋理特征存在的大區域制圖難題，而且規避濕地遙感分類方法只適用于特定影像條件或局部區域，針對全球多源影像和濕地復雜特性時，單一方法難以取得較好分類效果的弊端。

1.1 濕地細化類別的定義

國內外濕地的定義有很多，如Ramsar分類框架[22]、《濕地分類》(GB/T 24708—2009)等，這些濕地類型往往依據實地調查而制定，很難通過遙感手段獲取。基于遙感對濕地進行大尺度細分，宏觀提取只能到二級類別。作為全球首套30 m分辨率的地表覆蓋數據集GlobeLand30，其濕地亞類的提出必須要兼顧遙感本身的特點。基于以上分析，研究制定了潮間帶森林沼澤(含紅樹林)、潮間沼澤、淤泥質海灘、河口三角洲、河流洪泛濕地、季節性湖泊沼澤、森林沼澤、沼澤濕地8個亞類，圖1為濕地亞類在遙感影像上的表現特征。

圖1 GlobeLand30濕地亞類的影像特征

GlobeLand30濕地亞類的提出不僅可與國際濕地局建議的分類框架接軌，而且可以與國內外分類體系進行相互關聯和轉換，為濕地數據的應用與共享奠定了堅實的基礎。表1給出了濕地亞類的詳細定義，并與其他分類體系進行了比對。

1.2 多元知識的分層分類

針對GlobeLand30濕地細化問題，研究提出多元知識的分層分類策略，即依據地理區域、地貌類型、植被形態等指標因子，并顧及相互間的內在關聯實現GlobeLand30濕地層的細分。首先考慮濕地地域分布格局，從整體上將濱海濕地和內陸濕地進行分離；其次依據典型濕地的地理地貌特點，實現濕地系統的篩選；最后基于植被的形態特征，完成沼澤類濕地的再分類。在保障分層分類策略實現的同時，對各環節進行嚴密的質量控制(如圖2所示)。

1.3 亞類數據精細化提取

計算機分類技術極大地提高了濕地制圖的效率，但精度也受地物特征、訓練樣本選擇、分類器配置及閾值設定的影響。濕地復雜的內部特征導致依賴計算機自動分類難以取得較好的效果。因此，從高質量的全球濕地亞類數據產品的要求出發，將計算機分類與專家分析能力有機結合，平衡濕地分類精度與效率。

2 方 法

2.1 基于先驗知識的對象系統篩選

長期以來，為了有效保障地物數據的質量，學者們在改進遙感自動分類方法的同時，結合自然、人文和生態等先驗知識輔助分類。針對濱海濕地和內陸濕地的地域分布特征，研究結合先驗知識實現初始分類，即利用2000、2010年海岸線數據和DEM(SRTM DEM和ASTER GDEM)高程信息建立空間緩沖區進行區域分離。在此基礎上，依據河口三角洲、湖泊、河流濕地的自然地理分布特征及本身結構[23]，疊合全球兩期GlobeLand30河流與湖泊數據，通過專家解譯完成對象系統的篩選(如圖3所示)。

2.2 基于森林數據的同位像元提取

森林沼澤分類一直是濕地遙感信息提取研究的難點，涉及地形、土壤、水文等地理生態環境特征及遙感影像本身的特點，僅利用遙感信息獲得全球森林沼澤幾乎無法完成。本研究充分發揮GlobeLand30的數據優勢，依據沼澤類濕地的植被形態特征，通過疊合同尺度、同分辨率、同時相的全球森林信息，實現表征森林沼澤的同位像元獲取(如圖4所示)。由于馬里蘭森林數據在每個像素柵格上以0～100之間的百分數來表示，因此需準確掌握森林分位數的合理值。該比例的確定以各區域為研究單元，通過反復抽樣試驗的人機交互方式實現，并利用Google Earth高分辨率影像對邊界、類型、區域進行目視判斷選取最佳經驗性數值。

2.3 基于最佳閾值的極大似然掩膜

(1)

(2)

(3)

式中，t和t+1分別代表當前和下次迭代所用的估計值；I、J代表圖像的行數和列數；X(i,j)表示圖像中第i行j列的灰度值。當鄰近兩次迭代計算的P(wi)、mi和δi的值小于給定的閾值ε(ε=10-8)時，迭代終止。應用EM算法的關鍵是如何確定待估計參數的初始值，根據灰度圖像的自身特點，選取合理閾值以構造高置信度灰度子集，實現待定參數初始值的估計。基于灰度直方圖中目標值集中于中間區域，背景值在左右兩邊的分布特征，利用如下方法在直方圖左右各選取閾值Tn、Tc

(4)

(5)

(6)

式中，α∈(0,1)為權重調節因子。以子集Sn={X(i,j)|X(i,j)Tc}作為背景灰度的初始典型樣本集，其余則歸為目標樣本Su={X(i,j)|Tn≤X(i,j)≤Tc}。然后以此為基礎分別按式(5)計算先驗概率、均值和標準差的初始值。得到分布參數初始估計后，代入式(2)、式(4)進行迭代運算，更新參數直至收斂，確定此時估計參數值，并通過式(6)計算圖像分類閾值Tn、Tc。當Tn≤X(i,j)≤Tc，則X(i,j)∈wc，歸屬目標類；否則X(i,j)∈wn，歸屬背景類。利用最優空間掩膜剔除目標類中包含的非濕地信息，再通過最大似然法將淤泥質海灘準確提取出來(如圖5所示)。獲得森林沼澤及淤泥質海灘的同時，對沼澤類濕地進行掩膜處理得到潮間沼澤和沼澤濕地。

圖5 基于最佳閾值的極大似然掩膜提取流程

3 工程實現

3.1 基礎數據

研究采用的基礎數據為全球兩期30 m地表覆蓋數據集GlobeLand30、全球Landsat TM影像、全球30 m分辨率森林數據(Global_Forest)、兩期全球DEM數據(包括SRTM DEM和ASTER GDEM)、Google Earth高分影像和海岸線數據(見表2)。

表2 數據源及其用途

3.2 規模化生產

產品研制是將主體分類方法與生產規范、質量控制等成套的技術體系相結合，應用于標準化產品生產的過程。GlobeLand30濕地細化涉及693個圖幅，兩期共計1386個圖幅。工程實現首先完成數據收集與處理，其次按照分層分類流程批量完成區域分離和對象篩選，以及基于植被形態的計算機分類。其中重點解決的難題包括參考資料的收集與篩選、顧及濕地空間結構的完整性、基于植被形態閾值范圍的調整、計算機自動分類效率的提高、數據產品的質量控制等。

受作業人員綜合素質、資料采集與處理、算法特點等因素影響，在產品的研制過程中質量問題無法避免。為實現更精確的全球濕地分類制圖，工程實踐中需對數據成果進行優化。一方面，通過對象化過濾、聚類等技術剔除像元級圖斑或對其圖斑進行重新分類，并利用形態學算子或像元閾值，解決各分類數據內存在的空間連續性問題；另一方面，依據測繪產品規定，并參照測繪產品質量控制體系，由工作人員通過1∶1比例逐圖幅進行完整全面的整體檢查。對于數據分類精度不達標的圖幅應查明原因，針對具體問題制定相應的修改方案并嚴格落實，直至數據精度符合既定要求為止。進而通過分類賦值、順序疊加與拼接、數據集成等操作形成最終的GlobeLand30濕地亞類數據產品。

3.3 精度評價

基于位置信息或非位置信息對分類結果進行評價，是精度分析常用的兩種方式[25]。研究基于位置信息評價分類結果，為保證每個類別均能在采樣中出現，采用分層采樣即對每個類別隨機選擇樣本點。樣本個數按8類地物統計面積比進行近似分配，對分類精度進行最優無偏估計。由于樣本點的數量直接影響精度評價的合理性，樣本數量過多或過少都不科學，本文依據式(7)的計算方法對樣本點進行選取[26]

N=B/4C2

(7)

式中，N為樣本點個數；B由自由度為1的卡方檢驗(1-α/K)的臨界值確定，α為精度評估要求，K為分類數；C為置信度偏差。

將GlobeLand30濕地細分為8個類別(如圖6所示)，假設置信度達95%，允許的誤差范圍為5%，在沒有先驗知識的情況下，B=γ2(1，0.993 8)=7.475，由式(7)得出至少需要748個樣本點才能保證精度驗證的準確性。研究利用ArcGIS軟件對分類數據隨機生成1000個采樣點，結合Google Earth高分辨率影像統計分類正確和錯誤的樣本數量，從而構建精度檢驗混淆矩陣，并計算分類精度及Kappa系數，已達到對濕地細分結果進行精度評價的目的(見表3)。

圖6 濕地細分效果

表3 濕地細分精度

由表3可知，GlobeLand30濕地細化分類制圖總體精度達82.6%，Kappa系數為0.781，具備較好的一致性特點，能夠達到基本精度要求。從分類的精度看，基于人工解譯的對象篩選能達到較好的分類效果。潮間帶森林沼澤和森林沼澤的制圖精度、用戶精度較高，達85%左右，說明基于植被形態分類其閾值比例設置較為合理。相較之下沼澤濕地和淤泥質海灘精度則略偏低，體現出一定的漏分和錯分現象。原因主要有兩方面：一是在宏觀尺度上無植被類像元數據量較少，部分像元代表了幾種混合地物的特征，受混合特征影響后期處理誤分為沼澤濕地，導致精度降低；另一方面雖然無植被類濕地典型，灰度圖像表現出與植被覆蓋類型差異的特征，然而受時相、水文等因素影響無法對稀薄的覆蓋類型進行全部剔除。盡管閾值設定合理、科學，但僅利用NDVI指標進行淤泥質海灘的提取還存在一定的局限。

4 結論與展望

本研究針對GlobeLand30濕地數據細化問題，創建了層次化的總體技術方法，用于研制出兩期全球濕地亞類數據產品，總體精度達80%以上，較好地滿足了當前的應用研究需求。在保證精度的同時，克服了常規手段普遍存在的周期長、效率低、受客觀條件限制難以完成等弊端，實現了全球尺度上較高分辨率濕地亞類數據的快速精確制圖，為全球濕地管理保護、生態恢復及可持續發展研究等提供了重要的信息支撐。鑒于全球范圍內濕地類型復雜各異，對沼澤濕地等存在一定的錯分和漏分，在今后的實踐中應進一步完善，并提高方法的自動化應用水平。下一步工作將對兩期濕地亞類數據進行統計分析，完成全球濕地空間分布格局及10年變化(2000—2010年)統計分析報告，為國際、國內的相應機構提供可靠的決策參考。

[1] 李祿康.濕地與濕地公約[J].世界林業研究,2001,14(1):1-7.

[2] 楊永興.國際濕地科學研究的主要特點、進展與展望[J].地理科學進展,2002,21(2):111-120.

[3] 呂憲國,黃錫疇.我國濕地研究進展——獻給中國科學院長春地理研究所成立40周年[J].地理科學,1998,18(4):2-9.

[4] 李建平,張柏,張泠，等.濕地遙感監測研究現狀與展望[J].地理科學進展,2007,26(1):33-43.

[5] 張樹文,顏鳳芹，于靈雪，等.濕地遙感研究進展[J].地理科學,2013,33(11)：1406-1412.

[6] CHEN J, LIAO A, CAO X, et al. Global Land Cover Mapping at 30 m Resolution: A POK-based Operational Approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.

[7] 廖安平,陳利軍,陳軍,等. 全球陸表水體高分辨率遙感制圖[J].中國科學(地球科學),2014,44(8): 1634-1645.

[8] 張委偉,陳軍,廖安平,等.顧及多元知識的GlobeLand30檢核優化模型[J].中國科學(地球科學), 2016，46(9):1149-1161.

[9] LEHNER B, D?LL P. Development and Validation of a Global Database of Lakes, Reservoirs and Wetlands[J]. Journal of Hydrology,2004,296(1):1-22.

[10] 牛振國,單玉秀,張海英.全球土地覆蓋GlobCover2009數據中的中國區域濕地數據精度評價[J].濕地科學,2012, 10(4): 389-395.

[11] TOWNSHEND J, JUSTICE C, LI W,et al. GLC Classifi-cation by Remote Sensing:Present Capabilities and Future Possibilities[J]. Remote Sensing of Environment,1991,35(2-3):243-255.

[12] DEFRIES R S,TOWNSHEND J R G. GLC Characterization from Satellite Data:From Research to Operational Implementation[J]. Global Ecology & Biogeography,1999,8(5):367-379.

[13] VERBURG P H,NEUMANN W,LINDA N L. Challenges in Using Land Use and Land Cover Data for Glodal Change Studies[J].Glodal Change Biology,2011,17(2):974-989.

[14] HEROLD M,MAYAUX P,WOODCOCK C,et al.Some Challenges in GLC Mapping: An Assessment of Agreement and Accuracy in Existing 1 km Datasets[J]. Remote Sensing of Environment,2008,112(5):2538-2556.

[15] 宮鵬.遙感科學與技術中的一些前沿問題[J].遙感學報,2009,13(1):13-22.

[16] 廖安平,彭舒,吳昊,等.30 m全球地表覆蓋遙感制圖生產體系與實踐[J].測繪通報,2015(10):4-8.

[17] 陳利軍,陳軍,廖安平,等.30 m全球地表覆蓋遙感分類方法初探[J].測繪通報,2012(S0):350-353.

[18] CHEN Jun,BAN Yifang,LI Songnian．China:Open Access to Earth Land-cover Map[J].Nature,2014,514(7523):434.

[19] 陳軍,陳晉,廖安平,等.全球30m地表覆蓋遙感制圖的總體技術[J].測繪學報,2014,43(6):551-557.

[20] 唐小平,黃桂林.中國濕地分類系統的研究[J].林業科學研究,2003,16(5):531-539.

[21] 牛振國,宮鵬,程曉,等.中國濕地初步遙感制圖及相關地理特征分析[J]. 中國科學(地球科學), 2009, 39(2): 188-203.

[22] 國家林業局《濕地公約》履約辦公室.濕地公約履約指南[M].北京:中國林業出版社,2001:16-17.

[23] 于興河,李勝利,李順利.三角洲沉積的結構——成因分類與編圖方法[J].沉積學報,2013,31(5):782-797.

[24] 李琳琳.遙感圖像分割中閾值的自動選取技術研究[D].蘭州：蘭州大學,2012.

[25] 魏飛鳴.基于對象信息的遙感影像分類研究[D].成都:電子科技大學,2008.

[26] TORTORA R.A Note on Sample Size Estimation for Multinomial Population[J].The American Statistician,1978,32(3):100-102.

ResearchonWetlandSub-classificationfromGlobeLand30

CHEN Wei1，2，CHEN Lijun2，CHEN Jun2，CHEN Hao3，ZHOU Xiaoguang1，XIE Bo3
(1. School of Geosciences and Info-physics, Central South University，Changsha 410083,China； 2. National Geomatics Center of China，Beijing 100830,China； 3. National-local Joint Engineering Laboratory of Geo-spatial Information Technology, Hunan University of Science and Technology，Xiangtan 411201，China)

Wetland data of the Globaland30 have been classified into 8 subclasses by the improved method, which could meet the application requirements of high resolution and detailed global wetland data. This paper proposed the research framework of wetland classification, formulated the classification method, and analyzed the 8 subclasses at a global scale. The framework was composed of the definition of wetland subclass, the hierarchical classification of multiple knowledge and methods of sub date extraction. The data have been classified by the object filtering of prior knowledge, the parity pixel extraction of forest data and mask method of the maximum likelihood algorithm. The method overcomed the shortcomings of the conventional methods, such as long cycle and low efficiency, and realized the fast and accurate mapping of the global high resolution wetland subclass data,the accuracy for general wetland subclass is 82.6%. This research would be useful for monitoring and studying the land cover information in the further.

wetland sub-classification; hierarchical classification; global land cover data (GlobeLand30); subclass information

陳煒，陳利軍，陳軍，等.GlobeLand30濕地細化分類研究[J].測繪通報，2017(10)：22-28.

10.13474/j.cnki.11-2246.2017.0310.

2017-01-05;

2017-05-28

國家高技術研究發展計劃(863計劃)(2013AA122802)

陳 煒(1991— )，男，碩士，主要研究方向為攝影測量與遙感。E-mail：365266097@qq.com

陳利軍

P237

A

0494-0911(2017)10-0022-07